识别极端事件的时空驱动因素
计算机视觉与模式识别
2024-11-01 v1
摘要
极端事件及其驱动因素在气候数据中的时空关系尚未完全理解，有需从数据中识别此类时空关系的机器学习方法。该任务非常具有挑战性，因为极端事件与其驱动因素之间存在时间延迟，而且这些驱动因素的空间响应是异构的。在本工作中，我们提出了首个方法和基准来解决这一挑战。我们的 approach 在 end-to-end 方式下训练，用于联合预测时空极端事件和时空驱动因素。通过强制网络从识别出的驱动因素的时空二值掩码中预测极端事件，该网络成功识别与极端事件相关的驱动因素。我们在三个新创建的合成基准上评估了该方法，其中两个基于遥感或再分析气候数据，另外两个基于真实世界的再分析数据集。源代码和数据集均可在项目页面 https://hakamshams.github.io/IDE 上公开获取。
引用
@article{arxiv.2410.24075,
title = {Identifying Spatio-Temporal Drivers of Extreme Events},
author = {Mohamad Hakam Shams Eddin and Juergen Gall},
journal= {arXiv preprint arXiv:2410.24075},
year = {2024}
}
备注
Accepted at the 38th Conference on Neural Information Processing Systems (NeurIPS 2024)